Как повысить уникальность текста ChatGPT: тест на пяти промптах
Есть такой популярный совет: если ChatGPT написал банальный текст, нужно составить более подробный промпт. Указать аудиторию, роль автора, структуру, стиль, добавить запреты. Тогда ответ станет точнее и заодно перестанет быть похожим на сотни других материалов в интернете.
Первая половина совета работает, тексты действительно меняются. Со второй все оказалось сложнее.
Мы подготовили пять промптов на одну тему, получили пять текстов близкого объема и проверили каждый через антиплагиат. В тесте меняли структуру задания, добавляли конкретный бизнес, запрещали шаблонные фразы и просили показать реальную рабочую ситуацию. Результаты уложились в диапазон от 6 до 10%. Да, подробный промпт сделал материал полезнее, но почти не повлиял на формальную уникальность.
Как проходил эксперимент
Для всех пяти текстов выбрали одну тему: «Как выбрать CRM для малого бизнеса». Она достаточно популярна, чтобы в интернете накопились тысячи похожих инструкций, но при этом не требует свежей статистики или спорных экспертных данных.
Объем образцов составлял от 1149 до 1251 знака. Мы не добавляли названия сервисов, цифры исследований и цитаты. Менялась только постановка задачи.
Тексты проверяли в одном сервисе и без ручной редактуры. Это важно, потому что разные антиплагиаты используют разные базы и способы поиска совпадений, поэтому проценты между сервисами нельзя сравнивать напрямую.
Промпт 1. Обычная просьба
Первое задание выглядело так:
Напиши текст объемом около 1200 знаков на тему «Как выбрать CRM для малого бизнеса». Объясни простыми словами, на что обратить внимание при выборе.
Ответ получился предсказуемым. ChatGPT начал с пользы CRM, затем перечислил задачи, интеграции, удобство интерфейса и стоимость. В конце посоветовал протестировать систему на реальных заявках.
Уникальность: 9%.
Текст был связным и вполне пригодным как черновик. Проблема обнаружилась в формулировках. «Хранить информацию о клиентах», «контролировать заявки», «оценить удобство системы», «учитывать стоимость интеграций» встречаются в материалах о CRM постоянно. Нейросеть собрала логичный ответ из самого ожидаемого языка этой темы.
Промпт 2. Жесткая структура
Во втором задании мы заранее указали композицию:
Подготовь текст объемом около 1200 знаков о выборе CRM для малого бизнеса. Структура: проблема, четыре критерия выбора, короткая рекомендация. Не используй названия конкретных сервисов.
Появился аккуратный текст с четырьмя критериями: сценарии работы, интеграции, отчеты и полная стоимость. Его удобно читать по диагонали, для редактора это плюс.
Уникальность: 6%. Это худший результат теста.
Структура сузила пространство для ответа. Когда модели заранее предлагают написать «четыре критерия выбора», она тянется к самым очевидным критериям. Получается хороший конспект типовой статьи. И таких конспектов в поиске много.
Жесткий план помогает управлять содержанием ответа ИИ, но сам по себе не добавляет новой информации. В нашем тесте он даже усилил шаблонность.
Промпт 3. Конкретный бизнес
Третий запрос получил контекст:
Ты консультируешь владельца небольшой мастерской по изготовлению кухонь. Напиши для него текст объемом около 1200 знаков о выборе CRM. Используй примеры из его работы: заявка, замер, расчет, договор, производство и монтаж.
Ответ заметно отличался от первых двух. В нем появились замерщик, чертежи, фасады, передача заказа дизайнеру и производству. Вместо абстрактной воронки возникли этапы конкретной сделки.
Уникальность: 9%.
По проценту изменений не видно, а вот по содержанию они заметны сразу. Такой текст легче доработать для сайта мебельной мастерской. В него можно добавить реальные сроки замера, порядок согласования проекта, ошибки при передаче заказа и комментарии сотрудников. Общий текст о «потребностях бизнеса» потребовал бы почти полной переписи.
Это первая важный вывод эксперимента. Проверка уникальности оценивает совпадения, но не отвечает на вопрос, насколько материал полезен определенному читателю.
Промпт 4. Вместо советов - конкретная проверка
В четвертом задании мы запретили общие рекомендации:
Напиши текст объемом около 1200 знаков о выборе CRM для малого бизнеса. Не давай общих советов вроде «изучите потребности компании». Покажи конкретную проверку сервиса перед покупкой. Не придумывай статистику.
ChatGPT предложил взять пять недавних заявок, перенести их в тестовую CRM, назначить задачи, передать сделки другому менеджеру и проверить, как система обрабатывает обращения из разных каналов.
Уникальность: 10%. Лучший результат теста.
Победа условная, разница с тремя другими текстами составила всего один процентный пункт. Зато ответ получился самым прикладным: читатель может повторить описанную проверку без дополнительных объяснений.
Запрет на общие советы сработал как редакторское ограничение. Он не спас показатель уникальности, зато заставил модель перейти от рассуждений к действиям.
Промпт 5. Запрет шаблонного языка
Последний запрос был направлен прямо против типичной нейросетевой подачи:
Напиши текст объемом около 1200 знаков о выборе CRM для малого бизнеса. Избегай вводных определений, рекламных эпитетов, канцелярита и универсальных списков преимуществ. Начни с конкретной рабочей ситуации. Используй предложения разной длины.
Текст начался с менеджера, который ушел в отпуск вместе с историей переговоров с тремя клиентами. Появились короткие фразы, бытовая проблема и понятная причина внедрять CRM.
Уникальность: 9%.
Стилистически этот образец отличался сильнее остальных. Но проверка этого почти не заметила, уникальность осталась на уровне первого, самого общего ответа.
Оказалось, что команда «избегай шаблонного языка» слишком расплывчата. Модель меняет ритм и начало текста, но продолжает использовать знакомые смысловые блоки: карточка клиента, история переписки, задачи, интеграции, стоимость.
Что показали пять проверок
Средняя уникальность составила 8,6%. Медиана равна 9%. Между худшим и лучшим результатом всего четыре процентных пункта.
На таком объеме нельзя доказывать универсальное правило для всех моделей, тематик и сервисов проверки. Зато эксперимент хорошо показывает, что подробный промпт и уникальный текст представляют собой разные задачи.
Промпт способен изменить аудиторию, структуру ответа, набор примеров, тон и ритм, практическую ценность. Однако он не может сам придумать факты, которые существуют только внутри вашего бизнеса. Если в запросе нет собственного опыта, данных, наблюдений или исходных материалов, модель работает с общими закономерностями. И это приводит к знакомым повторяющимся формулировкам.
OpenAI рекомендует делать запросы ясными, конкретными и дополнять их контекстом. Еще советует работать итерациями: посмотреть на первый ответ, уточнить задачу и запросить следующую версию. Эти рекомендации помогают получать более релевантные ответы. Однако обещания высокой уникальности в них нет.
Так какой из пяти промптов выиграл?
Если смотреть только на цифры, победил четвертый промпт с результатом 10%. Если же оценивать качество черновика, третий подходит для отраслевого материала. Он привязывает советы к настоящему процессу и помогает увидеть, какой информации не хватает. А четвертый промпт подходит для инструкции: он заставляет ChatGPT описывать проверяемые действия и не заполнять объем общими словами.
Эти два запроса можно объединить:
Ты помогаешь владельцу небольшой мастерской по изготовлению кухонь выбрать CRM. Не составляй универсальный список преимуществ. Опиши проверку одной реальной сделки от заявки до монтажа. Перед написанием задай вопросы о том, где сотрудники хранят переписку, файлы и последние версии расчета. Используй только мои ответы. Если данных не хватает, оставь вопрос, не додумывай факт.
После такого промпта все равно понадобится редактор. Возможно, понадобится и второй запрос. А затем еще одна проверка.
Что делать с низким результатом проверки на антиплагиат…
Первая реакция - закрыть черновик и попросить ChatGPT написать заново. Иногда вторая версия действительно получает другой процент. Но без новой фактуры модель обычно переставляет те же мысли местами и возвращается к знакомым формулировкам.
Сначала откройте найденные совпадения. Если сервис отметил один длинный фрагмент, проверьте, откуда он взялся. Возможно, в промпт попал текст конкурента, описание производителя или старый материал с вашего сайта. Такой кусок лучше не маскировать синонимами. Вернитесь к исходному факту и объясните его самостоятельно.
Если совпадения рассыпаны по всему тексту (как в нашем случае), перед вами, скорее всего, набор типовых фраз. Здесь локальный рерайт мало поможет. Нужен другой угол: конкретная ситуация, последовательность действий, ошибка, ограничение, собственный расчет.
Есть и третий вариант - совпали термины, которые невозможно убрать без потери смысла. Названия этапов сделки, функций CRM и документов будут повторяться в отраслевых текстах. Стоит ли портить абзац ради процента, решать редактору.
… и почему хороший текст тоже может получить низкий процент
ChatGPT не ищет готовую статью и не копирует ее целиком перед ответом. По описанию OpenAI, языковая модель изучает закономерности в больших объемах данных и во время генерации предсказывает продолжение текста по частям. Поэтому два независимо созданных материала могут содержать одинаковые распространенные сочетания слов. Особенно когда тема давно разобрана и авторы используют один профессиональный словарь.
Антиплагиат решает другую задачу. Он сопоставляет проверяемый материал с доступными источниками и показывает найденные совпадения. Связность, польза и точность текста в этот процент не входят.
На теме CRM лексикон GPT резко сужается. Почти невозможно написать практический текст без слов «клиент», «заявка», «воронка», «менеджер», «интеграция» и «карточка». Попытка заменить каждое слово синонимом даст странный результат. «Покупательская персона», «обращенческий поток» и «учетная сущность контакта» формально разнообразнее, но читать это никто не захочет.
Низкий процент еще не объясняет, что именно не так с материалом. Нужно открыть список совпадений. Иногда сервис отмечает длинный заимствованный фрагмент, а бывает, что показатель складывается из множества стандартных выражений. Действия редактора в этих случаях будут разными.
Как получить более самостоятельный текст от ChatGPT
Одно слово «уникально» не дает модели нового материала, его придется передать ИИ самостоятельно.
1. Собрать фактуру
До генерации нужно выписать сведения, которых нет в типовой статье:
- вопросы клиентов из переписки;
- ошибки, которые сотрудники повторяют чаще всего;
- этапы реального процесса;
- ограничения продукта или услуги;
- собственные наблюдения и спорные решения;
- цифры из аналитики, если их можно публиковать.
Затем передайте эту фактуру модели как основу. Например: «В нашей мастерской между замером и договором клиент обычно несколько раз меняет материалы. Поэтому менеджеры теряют последнюю версию расчета в переписке. Построй текст вокруг этой проблемы».
У такого запроса появляется источник данных. Без него ChatGPT вынужден рисовать усредненную картину.
2. Запросить вопросы до создания черновика
Можно написать:
Я готовлю статью о выборе CRM для небольшой мебельной мастерской с помощью ИИ. Перед началом генерации задай мне семь вопросов, ответы на которые помогут избежать общих советов и описать наш реальный процесс.
Так у модели будет материал, который нельзя получить из стандартного списка критериев.
3. Дать один узкий сценарий
Тема «как выбрать CRM» слишком широка. А вот сценарий «как проверить, не потеряется ли заказ при передаче от замерщика дизайнеру» уже содержит в себе действие, участников и риск.
Узкий ракурс не гарантирует высокий процент, третий и четвертый промпты подтвердили это. Но так редактор получит связный текст, с которым можно работать дальше.
Вы можете повторить наш тест самостоятельно: нужно задать одну тему в ChatGPT, последовательно усложнять промпт, затем отправить ответы на проверку антиплагиата.
Ответы на частые вопросы
Почему ChatGPT пишет неуникальные тексты?
Модель строит ответ на основе изученных языковых закономерностей. На популярную тему она часто выбирает ожидаемые тезисы и распространенные сочетания слов. Это не означает, что найденная проверкой статья была скопирована целиком. Причину низкого процента нужно искать в отмеченных фрагментах и источниках.
Поможет ли просьба «напиши уникальный текст»?
Нет, но чем точнее контекст и фактура, тем самостоятельнее получается черновик. Промпт без исходных данных оставляет модели только набор общих знаний.
Какая уникальность считается нормальной?
Единого процента для всех задач нет. Требования учебной работы, карточки товара, юридического документа и экспертной статьи различаются. Кроме цифры нужно оценивать характер совпадений, точность фактов, пользу и нормальность языка. Если редактор требует конкретный порог, заранее уточните сервис проверки, потому что результаты разных систем могут расходиться.